Insights desde chatbots y whatsapp con NLP

En la medida en la que las organizaciones abren nuevos canales de interacción con el consumidor, crece la captura de información no estructurada (texto, voz, imagen etc.). La mayoría de sistemas de chat permiten parametrizar secuencias de instrucciones pero no informan al negocio sobre la conversación y narrativa dentro del chat. Este blog busca exponer algunas ideas desde nuestra experiencia consultiva para hacer de la omnicanalidad una fuente inagotable de insights para el negocio.

La tabla a continuación muestra algunas de las preguntas que nuestros clientes se han hecho sobre la información de chat y whatsapp; de igual forma muestra lo que han hecho con las respuestas.

A la hora de minarlos con detenimiento, los datos de un chat tienen varias complejidades:

• Una secuencia definida por preguntas y respuestas muy parecidas a un partido de ping pong.
• Respuestas cortas muy parecidas a un telegrama o un tweet.
• Exceso de cortesía, particularmente por parte del agente, lo que hace difícil detectar el sentimiento de la conversación.

Nuestro proceso consultivo se basa en integrar metodologías lingüísticas con inteligencia artificial como se muestra a continuación:

1.  
1. Integración de datos: La creación de un datamart textual que integre los chat en secuencia, lo cual facilita accesar al texto de forma enriquecida. Un datamart textual desagrega en tokens las diferentes formas ortográficas de una palabra. Las personas no suelen chatear con ortografía y en español la ausencia de una tilde o el cambio de s a c puede cambiar el significado de una palabra.
2. Diseño muestral para el entrenamiento: Para entrenar el modelo se requiere un set muestral de conversaciones. Dado que los canales evolucionan y agregan funcionalidades a lo largo del tiempo y que las necesidades del cliente cambian, el diseño muestral debe contemplar muestras de conversaciones en diferentes meses, momentos del día, días de la semana etc. Esto permite además tener en cuenta posibles efectos estacionales que impacten el contexto narrativo del modelo.
3. Minería de texto: Partiendo del chat conjunto hacemos parsing y filtring para aislar las palabras clave con mayor frecuencia y asociación entre sí. Se limpian sinónimos y se crean listas de palabras clave asociadas con el negocio para que la detección de señales sea dirigida. Esto permite extraer las temáticas core.
4. Creación de taxonomías: Mediante metodologías y heurísticos lingüísticos creamos taxonomías de temáticas asociadas a las necesidades de negocio. Esto permite la clasificación de preguntas de cliente, productos, requerimientos, servicios, respuestas de los agentes entre otros.
5. Reglas de asociación: Luego de clasificar correctamente el texto en taxonomías clave para el negocio, analizamos la secuencia de conversación: cómo inicia y como termina. En este orden de ideas, las reglas de asociación permiten ver secuencias frecuentes con alta probabilidad de ocurrencia, lo que permite segmentar las conversaciones según secuencias narrativas y crear interpretaciones teniendo en cuenta todo el journey.
6. Análisis contextual: Usando reglas boleanas y lingüística avanzada, las taxonomías se convierten en clasificadores automáticos basados en contexto, lo que permite determinar sentimiento, ironía, sarcasmo y reproche para terminar un análisis textual completo.

Hemos tenido la oportunidad de apoyar diferentes organizaciones en sus retos de analítica de datos no estructurados de chats. Será un gusto compartir contigo estas experiencias, hagamos una reunión.

América del Sur

México y Centroamérica